論文の概要: Quantum Machine Learning in Medical Imaging: A Primer for Radiologists

• arxiv url: http://arxiv.org/abs/2610.32762v1
• Date: Fri, 23 Oct 2026 15:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.590582
• Title: Quantum Machine Learning in Medical Imaging: A Primer for Radiologists
• Title（参考訳）: 医用イメージングにおける量子機械学習 : 放射線医のためのプライマー
• Abstract要約: 深層学習は放射線学を変えてきたが、現代のモデルの訓練と展開の計算コストは、古典的なハードウェアがサポートするものを上回っている。 このレビューでは、放射線学者が5つのコア量子概念、量子ビット、重ね合わせ、絡み合い、量子ゲート、量子回路を紹介する。 報告されている応用例としては、MRIにおける脳腫瘍の分類とセグメンテーション、胸部X線写真における肺炎の検出、皮膚と胸部病変の分類、CTとPETの再建、超音波脱ノイズがある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has transformed radiology, but the computational cost of training and deploying modern models is outpacing what classical hardware can support. Quantum computing has been proposed as one response to this bottleneck: an n-qubit system can represent $2^n$ states simultaneously, although practical speedups require efficient algorithms, data encoding, and measurement strategies rather than superposition alone. This review introduces radiologists to five core quantum concepts, qubits, superposition, entanglement, quantum gates, and quantum circuits, and to the superconducting, trapped-ion, and photonic hardware platforms that define the current noisy intermediate-scale quantum (NISQ) era. We then summarize the quantum machine learning architectures most often applied to medical imaging (quantum support vector machines, quantum neural networks, variational quantum circuits, and quantum convolutional neural networks) and quantum image representations such as the flexible representation of quantum images (FRQI) and the novel enhanced quantum representation (NEQR). Reported applications include brain tumor classification and segmentation on MRI, pneumonia detection on chest radiographs, skin and breast lesion classification, CT and PET reconstruction, and ultrasound denoising. Nearly all published systems are hybrid quantum-classical pipelines evaluated on small, downsampled benchmark datasets or simulators, and clinical deployment is not yet feasible. We conclude with current limitations and translational priorities for radiology.
• Abstract（参考訳）: 深層学習は放射線学を変えてきたが、現代のモデルの訓練と展開の計算コストは、古典的なハードウェアがサポートするものを上回っている。 量子コンピューティングはこのボトルネックに対する一つの反応として提案されている: n-qubitシステムは2^n$の状態を同時に表現できるが、実際的なスピードアップには重ね合わせのみではなく、効率的なアルゴリズム、データエンコーディング、測定戦略が必要である。 このレビューでは、放射線学者が5つのコア量子概念、量子ビット、重ね合わせ、絡み合い、量子ゲート、量子回路、および現在のノイズの多い中間スケール量子(NISQ)時代を定義する超伝導、閉じ込められたイオン、フォトニックハードウェアプラットフォームについて紹介する。 次に、医用画像(量子サポートベクトルマシン、量子ニューラルネットワーク、変動量子回路、量子畳み込みニューラルネットワーク)や、量子画像のフレキシブル表現(FRQI)や新しい拡張量子表現(NEQR)などの量子画像表現に最もよく用いられる量子機械学習アーキテクチャを要約する。 報告されている応用例としては、MRIにおける脳腫瘍の分類とセグメンテーション、胸部X線写真における肺炎の検出、皮膚と胸部病変の分類、CTとPETの再建、超音波脱ノイズがある。 公表されたほぼすべてのシステムは、小さな、サンプル化されたベンチマークデータセットやシミュレータで評価されたハイブリッド量子古典パイプラインであり、臨床展開はまだ実現不可能である。 我々は放射線学の現在の限界と翻訳の優先順位を結論付けている。

関連論文リスト

• Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
  この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。 本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。 近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
  論文  参考訳（メタデータ） (2025-08-29T10:37:19Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Benchmarking MedMNIST dataset on real quantum hardware [1.874615333573157]
  量子機械学習(QML)は、複雑な分類タスクを解決するために量子システムの計算能力を活用する、有望な領域として登場した。 MedMNISTは、127量子ビットの実際のIBM量子ハードウェア上での医療画像データセットの多種多様なコレクションである。 本研究では、デバイス対応量子回路、エラー抑制、医用画像分類の緩和など、最近の量子コンピューティングの進歩について検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:02:41Z)
• Brain Tumor Diagnosis Using Quantum Convolutional Neural Networks [0.0]
  本研究では、量子特徴符号化回路と深度的に分離可能な畳み込み層を統合するハイブリッド量子畳み込みニューラルネットワーク(HQCNN)を提案する。 HQCNNは99.16%のトレーニング精度と91.47%の検証精度を達成した。
  論文  参考訳（メタデータ） (2024-01-28T23:27:06Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• A New Approach to Quantum Computing Multi-Qubit Generation and Development of Quantum Computing Platform with Magnetic Resonance Imaging Techniques [1.3648865252191944]
  MRIに基づく量子ビット生成および量子ビット符号化技術により、全く新しい量子コンピューティングプラットフォームの開発が可能となった。 新しいMRIベースの量子ビット生成および量子ビット符号化技術により、全く新しい量子コンピューティングプラットフォームの開発が可能になった。
  論文  参考訳（メタデータ） (2022-06-13T07:02:22Z)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• Bidirectional information flow quantum state tomography [0.0]
  双方向Gated Recurrent Unit Neural Network (BiGRU) に基づく量子状態トモグラフィー法を提案する。 この方法では、これらの量子状態を再構成し、高い忠実度を得るために、より少ない測定サンプルを使用できる。
  論文  参考訳（メタデータ） (2021-03-31T02:57:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。